- Variable length RNN inputs. Use masking e.g. Word-2-Vector class example.
- Make an RNN model using GRU or LSTM.
- Visualize the ROC curve and F1 scores.
- Research using generative adversarial networks.
- Create a simple 1D-CNN model.
- Improve simple 1D-CNN model using residual skip connections.
- Make ECG data loader.
- Transform project directory for the ECG data.
- Use downsampling/ upsampling of normal class to achieve better performance.
- Visualize the data distribution and signals.
- Apply weighted loss functions (by class).
- Visualise the confusion matrices
-
chaque equipe a 10 minutes de presentations en incluant les questions. Vous assistez a toutes les presentations des autres projets et pourrez poser des questions. Toute l'equipe doit etre presente pour la presentation.
-
il n'y a pas de rapport a rendre mais le code doit etre accessible sur un github dont vous nous enverrez l'adresse par mail. Ne pas mettre les datasets sur le github mais toute la pipeline doit etre disponible (telechargement des donnees, pretraitement... )
-
pour votre presentation, il faut imperativement:
-
presenter brievement la tache de learning.
-
presenter le dataset utilise avec qq statistiques.
-
decrire l'architecture du reseau ou des reseaux en donnant les references explicites.
-
donner qq resultats obtenus et les comparer a une baseline, aux resultats dans les papiers... Donner des resultats quantitatifs (avec les metriques propres a votre tache) et qualitatifs. Si les resultats vous semblent mauvais, donner des exemples qui vous permettent de voir les causes possibles et donc les ameliorations si vous aviez plus de temps...
-
prevoir qq minutes pour les questions
-
A priori, le plus simple est pour chaque equipe de presenter avec son laptop, il faut une prise VGA ou HDMI.